Search academic texts

Information × Registration Number 2119U007781, Article popup.category Опубліковано, Стаття Title A MODEL AND TRAINING ALGORITHM OF SMALL-SIZED OBJECT DETECTION SYSTEM FOR A COMPACT AERIAL DRONE popup.author Москаленко В. В.Москаленко А. С.Коробов А. Г.Зарецкий М. О.Moskalenko V. V.Moskalenko A. S.Korobov A. G.Zaretsky M. O. popup.publication 16-04-2019 popup.source_user Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") popup.source https://ric.zp.edu.ua/article/view/163787 popup.publisher National University "Zaporizhzhia Polytechnic" Description Актуальність. Розроблено обчислювально просту модель і ефективний алгоритм навчання бортової системи детектування об’єктів на місцевості. Об’єкт дослідження – процес детектування малорозмірних об’єктів на аерофотознімках в умовах обмежених обчислювальних ресурсів і невизначеності, зумовленої малим об’ємом розміченої навчальної вибірки. Предмет дослідження – модель і метод навчання моделі для детектування малорозмірних об’єктів на аерофотознімках. Мета дослідження – розробка ефективних моделі і алгоритм навчання системи детектування об’єктів малогабаритним літаючим апаратом в умовах обмежених обчислювальних ресурсів і обмеженого обсягу розміченої вибірки. Методи дослідження. В роботі запропоновано чотирьох етапний алгоритм навчання детектора об’єктів. На першому етапі здійснюється вибір згорткової нейромережі, попередньо навченої на наборі ImageNet, а також вибір кількості шарів, які будуть запозичені. Другий етап передбачає додавання згорткового розріджено-кодуючого шару, що навчається без вчителя, для формування карти ознак. Для реалізації другого етапу розроблено модифікацію алгоритму зростаючого нейронного газу, яка забезпечує автоматичне визначення необхідної кількості нейронів і їх оптимальний розподіл за даними. Це дозволяє ефективно використовувати нерозмічені набори даних для адаптації високорівневого ознакового опису до доменної області використання. На третьому етапі проводиться редукція вихідної карти ознак шляхом застосування методу головних компонент й навчання вирішальних правил. При цьому вихідна карта ознак будується шляхом конкатенації карт ознак нижніх рівнів з масштабованими картами ознак верхнього рівня. Даний підхід до побудови карти ознак покликаний забезпечити підвищення ефективності розпізнавання малорозмірних об’єктів за рахунок збільшення кількості контекстної інформації в кожному пікселі. Побудова моделі класифікаційного аналізу пікселів вихідної карти ознак пропонується здійснювати на основі принципів бустінгу і інформаційно-екстремального машинного навчання, а прогнозування меж детектованих об’єктів пропонується реалізувати на основі машини екстремального навчання. Останній етап алгоритму навчання полягає в тонкій настройці високорівневих шарів екстрактора ознак на основі метаевристичного алгоритму симуляції відпалу з метою максимального наближення до глобального оптимуму значення комплексного критерію ефективності навчання детектора. Результати. Результати, отримані на відкритому наборі даних, підтверджують придатність запропонованих моделі та алгоритму навчання до практичного застосування. Запропонований метод навчання забезпечує 96% точності детектування малорозмірних об’єктів на тестових зображення при використанні 500 нерозмічених і 200 розмічених навчальних зображень. Висновки. Наукова новизна статті полягає в розробці нових моделі і методу навчання детектора об’єктів, що забезпечують високодостовірне розпізнавання малорозмірних об’єктів на аерофотознімках в умовах обмежених обчислювальних ресурсів і малого обсягу розмічених навчальних вибірок. Практичне значення одержаних результатів роботи полягає в розробці моделі та алгоритму навчання детектора об’єктів, що дозволяють знизити вимоги до обсягу навчальної вибірки і обчислювальних ресурсів бортовий системи літаючого апарата в режимах навчання та екзамену. popup.nrat_date 2026-02-09 Close